【技术实现步骤摘要】
本专利技术涉及智能金融风控，更具体地说，涉及一种智能营销产品的数据处理方法及系统。
技术介绍
1、消费金融产品设计过程中，机构为了平衡利润要求和用户接受程度(支用率、在贷规模等指标)，往往会对不同客群采用差异化定价策略。最常见的方法便是根据不同客群的估计违约率，综合成本和利润要求设定相应的利率和授信额度。实际业务中，额度、违约率、利率、用户接受度(下文指转化率)之间是相互影响的。利率越高伴随的用户风险越高，用户的转化率也随之下降，反之亦然。额度越高，转化率也会越高，违约率也可能上升。目前大部分的金融机构都是都仅仅是评估用户的风险高与低来决定给用户通过或拒绝。而非结合额度与利率，会导致转化率过低，浪费过多的获客成本，低风险用户没法价值最大化，中高风险用户没有把额度，违约，利率和转化率有机的结合起来，测算出资产的成本与用户放款后的盈利。所以我们希望能有一套风险定价及分类营销的策略，可以将客群进一步细分，再基于不同类别用户的风险匹配不同产品定价，然后根据营销策略实现用户转化率最大化，找到收益平衡点，提升业务盈利能力。
技术实现思路
1、本专利技术提供一种智能营销产品的数据处理方法，能够提高客户的理财能力和接受率，降低风险系数，同时，降低风险系数，反向提高客户的理财能力和接受率，从而找到收益平衡点，提升业务盈利能力。
2、本专利技术提供了一种智能营销产品的数据处理方法，包括以下步骤:
3、步骤s01：获取目标用户的金融行为数据，所述金融行为数据包括信用卡使用记录、消
4、步骤s02：通过预设的价值评估模型计算每个聚类的价值分数，将价值分数大于预设阈值的候选聚类确定为目标聚类，去除数据集中的非目标聚类；
5、步骤s03：通过预设的匹配度模型评估每个目标聚类的用户和多个贷款产品之间的综合匹配度，根据匹配度模型预测每个目标聚类的用户对不同贷款产品的偏好值，所述匹配度模型根据每个目标聚类的用户的历史贷款行为建立；
6、步骤s04：根据贷款产品预设周期内的销售目标定制促销信息，所述促销信息包括折扣信息和限时信息，预测预设周期内贷款产品的促销效果值，根据促销效果值计算促销影响因子；
7、步骤s05：结合匹配度和营销影响因子，计算每个目标聚类的用户对每个贷款产品的推荐得分，根据推荐得分计算出每个贷款产品的综合评分，基于综合得分，将贷款产品分为不同的优先级类别，根据优先级类别选择对应的营销策略；
8、步骤s06：采集与预设周期内营销策略相关的kpi，来评估每个营销策略的营销效果值，基于营销效果值来调整下一预设周期内营销策略的参数。
9、优选的，在步骤s01中，使用聚类算法将向量特征集合分为多个聚类，根据聚类结果对用户标注对应的聚类标签，包括：
10、获取用户的原始数据集x＝{x1,x2,x3,...,xn}，通过特征提取函数f将原始数据xi转换为向量特征f(xi),其中xi表示第i个用户的数据，特征向量具体表示为f(xi)＝[f1(xi),f2(xi),…,fm(xi)]t,其中m是特征的数量；
11、使用聚类算法将特征向量集合{f(x1),f(x2),…,f(xn)}分为k个聚类；
12、聚类结果表示为函数φ，函数φ将每个用户数据xi映射到聚类标签φ(xi)，表示为:φ(xi)＝k,wherek∈{1,2,…,k}；
13、应用聚类算法k-means，用于最小化每个聚类内的方差，表示为:
14、其中sk是第k个聚类，μk是聚类中心；
15、每个用户根据其所属的聚类被分配对应的聚类标签，通过creditlevel函对每个聚类标签进行分配，表示为：
16、ri(t)＝creditlevel(φ(xi))＝creditlevel(φ(xi))。
17、优选的，在步骤s02中，价值评估模型基于用户的信用等级、历史响应率和购买力建立，表示为：
18、v(ck)＝α1·creditlevel(ck)+α2·responserate(ck)+α3·purchasingpower(ck)
19、其中，α1、α2、α3分别是权重系数，creditlevel(ck)、responserate(ck)和purchasingpower(ck)表示聚类内所有用户的信用级别、响应率和购买力的平均值；
20、通过预设的价值评估模型计算每个聚类的价值分数，将价值分数大于预设阈值的候选聚类确定为目标聚类，去除数据集中的非目标聚类，表示为：
21、
22、其中，xnew表示剔除了非目标聚类用户后的新用户数据集，
23、表示所有非目标聚类中用户的集合。
24、优选的，在步骤s03中，定义一个匹配度模型来评估用户和多个贷款产品之间的匹配度，包括：
25、定义p为贷款产品集合，贷款产品集合p中每个贷款产品pj有多个属性，包括利率rj，贷款额度lj，和还款期限tj；
26、通过综合匹配度函数m(ck,pj)评估第k个目标聚类和第j个贷款产品间的匹配度，匹配度函数具体表示为:
27、m(ck,pj)＝w1f1(ck,pj)+w2f2(ck,pj)+w3f3(ck,pj)
28、其中，f1、f2、f3为计算利率、贷款额度和还款期限的匹配度函数，w1、w2、w3是计算利率、贷款额度和还款期限的权重；
29、其中利率适配f1(ck,pj)表示为：f1(ck,pj)＝exp(-α(rj-rexpected(φ(ck))))；
30、贷款额度适配f2(ck,pj)表示为：
31、还款期限适配f3(ck,pj)表示为：
32、根据匹配度模型预测每个目标聚类的用户对不同贷款产品的偏好值，表示为:
33、p(ck,pj)＝β·m(ck,pj)+γ·h(ck,pj)
34、其中，β和γ是调节参数，h(xi,pj)表示基于第i个目标聚类的历史贷款行为和第j个贷款产品间的兼容性。
35、优选的，在步骤s04中，根据销售目标和市场需求定制促销信息，其中促销信息表示为：
36、mi(pj,t)＝intro(ui)+"节省"+d(pj,t)×100+"下一笔贷款上！优惠结束于"+τ(pj,t)+"天
37、其中，intro(ui)为基于用户的聚类标签，生成的相应的介绍词，d(pj,t)为产品j在时间t的折扣率，τ(pj,t)为产品j促销期限，mi(pj,t)为定制促销信息；
38、获取前一预设周期内的促销效果值e(pj,t-1)，预测本次预设周期内的促销效果值，表示为：
39、
40、其中，f为预本文档来自技高网...
【技术保护点】
1.一种智能营销产品的数据处理方法，其特征在于，包括以下步骤:
2.根据权利要求1所述智能营销产品的数据处理方法，其特征在于，在步骤S01中，使用聚类算法将向量特征集合分为多个聚类，根据聚类结果对用户标注对应的聚类标签，包括：
3.根据权利要求2所述智能营销产品的数据处理方法，其特征在于，在步骤S02中，价值评估模型基于用户的信用等级、历史响应率和购买力建立，表示为：
4.根据权利要求3所述智能营销产品的数据处理方法，其特征在于，在步骤S03中，定义一个匹配度模型来评估用户和多个贷款产品之间的匹配度，包括：
5.根据权利要求4所述智能营销产品的数据处理方法，其特征在于，在步骤S04中，根据销售目标和市场需求定制促销信息，其中促销信息表示为：
6.根据权利要求1-5任一所述智能营销产品的数据处理方法，其特征在于，结合匹配度和营销影响因子，计算每个目标聚类的用户对每个贷款产品的推荐得分，每个聚类k对每个产品j的推荐得分表示为R(ui，pj，t)，表示为：
7.根据权利要求6所述智能营销产品的数据处理方法，其特征在
8.根据权利要求5所述智能营销产品的数据处理方法，其特征在于，所述初始促销信息中的折扣率的设定基于产品的上一预设周期内的销售速度和目标销售速度，表示为：
9.一种智能营销产品的数据处理系统，基于权利要求1-8任一所述智能营销产品的数据处理方法，其特征在于，包括以下模块:
...【技术特征摘要】
1.一种智能营销产品的数据处理方法，其特征在于，包括以下步骤:
2.根据权利要求1所述智能营销产品的数据处理方法，其特征在于，在步骤s01中，使用聚类算法将向量特征集合分为多个聚类，根据聚类结果对用户标注对应的聚类标签，包括：
3.根据权利要求2所述智能营销产品的数据处理方法，其特征在于，在步骤s02中，价值评估模型基于用户的信用等级、历史响应率和购买力建立，表示为：
4.根据权利要求3所述智能营销产品的数据处理方法，其特征在于，在步骤s03中，定义一个匹配度模型来评估用户和多个贷款产品之间的匹配度，包括：
5.根据权利要求4所述智能营销产品的数据处理方法，其特征在于，在步骤s04中，根据销售目标和市场需求定制促销信息，其中促销信息表示为：
【专利技术属性】
技术研发人员：杨蜀，梁金玉，谢玲芝，
申请(专利权)人：深圳刷宝科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。